一種基于黎曼度量的自適應多策略圖像融合方法
【技術領域】
[0001] 本發明屬于圖像融合技術領域，特別是一種基于黎曼度量的自適應多策略圖像融 合方法。
【背景技術】
[0002] 圖像融合的過程是對源圖像特征提取的過程，但是有時直接對圖像灰度值的操作 不能達到很好的區分度，因此可以通過把圖像轉換成包含更豐富信息的形式，比如結構張 量，來產生更有區分度的特征（編碼彩色、梯度等）。紋理是圖像的最重要的特征之一，因此 充分考慮圖像的紋理信息可以提高融合圖像的質量。
[0003] 作為一種快速局部處理方法，結構張量已經被用來進行紋理分析，它可以作為邊 緣保持以及方向的測度。結構張量是一類非常特殊的矩陣（正定對稱矩陣），其位于黎曼流 形（賦予黎曼度量的微分流形）上。黎曼空間的操作不再遵循歐式幾何，因為它不屬于向 量空間，比如該空間對乘以負數不封閉，因此不能利用傳統的歐式幾何運算進行操作。
[0004] 根據Pennec對醫學圖像處理的研宄，Affine-Invariant度量（AI)和 Log-Euclidean度量（LE)為處理張量提供了有力的工具。Caseiro等提出了一種基于張量 域黎曼框架的前景分割方法，定義了張量流形上的核密度估計模型（KDE)，賦予了張量流形 兩種度量方式：Affine-Invariant度量（AI)和Log-Euclidean度量（LE)，取得了很好的分 割效果。王國剛提出了一種基于黎曼度量的Hausdorff距離圖像匹配算法，在匹配的準確 性、抵抗噪聲干擾和光照變換等方面效果良好。劉佳提出了一種基于協方差描述子和黎曼 流形的語音情感識別方法，利用仿射不變度量實現了較好的識別效果。鑒于黎曼度量在圖 像其他領域的良好應用，因此本發明將黎曼度量引入到圖像融合中，以期獲得更好的融合 效果。

【發明內容】

[0005] 本發明的目的在于提供一種基于黎曼度量的自適應多策略圖像融合方法，能夠實 現對多源圖像進行高效的圖像融合。
[0006] 實現本發明目的的技術解決方案為：一種基于黎曼度量的自適應多策略圖像融合 方法，包括以下步驟： 步驟1)，源圖像多尺度分解：對源圖像進行平移不變剪切波變換（SIST)分解，得到低 頻子帶系數和一系列高頻子帶系數； 步驟2)，低頻子帶系數融合：對于步驟1)得到的低頻子帶系數，采用基于加權平均的 融合策略，得到低頻融合子帶系數； 步驟3)，高頻子帶系數融合：對于步驟1)得到的高頻子帶系數，給出了一種黎曼空 間不相似度，采用基于黎曼度量的自適應多策略融合規則進行融合，得到高頻子帶融合系 數； 步驟4)，圖像重構：將步驟2)得到的低頻融合子帶系數和步驟3)得到的高頻子帶融 合系數進行SIST逆變換，得到最終融合圖像。
[0007] 所述步驟1)具體為：將待融合的兩幅MxJV源圖像』和3，利用SIST分別將兩幅 圖像分解為低頻子帶與高頻子帶系數
為低頻子帶系 數；<5*和<7為一系列高頻子帶系數。
[0008] 所述步驟2)具體為：對得到的低頻子帶系數采用加權平均的融合規則進行融合。
[0009] 式中，
分別表示源圖像以及融合圖像F在 點(x&v)處對應的低頻系數。
[0010] 所述步驟3)包括如下步驟： a)計算高頻子帶系數的結構張量 對于圖像中的某一點
的鄰域，這點的 局部梯度向星為：
其中：
分別為jc和>F方向的導數。
[0011] 利用梯度向量可以得到點的結構張量：
其中，
分別為I和jr方向的導數；*為卷積運算，&是標準 差為#的高斯核。
[0012] b)黎曼空間不相似度S ①基于AI(Affine-Invariant)度量的不相似度S虞 對于
，基于AI度量的P.0之間的不相似度（測地線距離）
為：
其中，&表示矩陣的跡。
[0013] ②基于Log-Euclidean度量的不相似度 對于
，基于LE度量的之間的不相似度（測地線距離）
為：
其中，*表示矩陣的跡。
[0014] c)采用基于黎曼度量的自適應多策略規則融合 高頻子帶系數采用基于黎曼度量的自適應多策略融合規則進行融合，融合規則如下：
其中，
分別表示源圖像2、5以及融合圖像F在點 (U)處的高頻子帶系數，權值吟由sigmoid函數計算得到，收縮因子fc與變量e的計算在 下面詳細討論。
[0015] 計算收縮因子* 通過以下公式建立*：與黎曼空間不相似度S的關系。
[0016] 其中，ff是一個正參數。
[0017] :f計算變量*r ?的計算公式如下：
其中，&或各為區域能量；i為不小于3的奇數；
表示源圖像j或遇在點 (ty)處第_/個高頻子帶系數。
[0018] 本發明與現有技術相比，其顯著優點：（1)利用SIST對待融合圖像進行多尺度多 方向的分解，SIST是圖像融合領域很有發展前景的分解工具，它克服了下采樣操作引起的 偽Gibbs效應，有效抑制圖像失真，并且各個子帶系數間的對應關系更加明確。（2)引入了 結構張量，結構張量可以實現像素級和區域級特征的融合，在像素級能夠利用梯度等信息 描述每一個像素，在區域級可以通過結構張量可以表示出像素級提取的特征相關性，并通 過計算像素點鄰域得到，并且結構張量的階數不依賴于鄰域窗口的大小，而是依賴于特征 向量的維數，因此具備尺度不變性。（3)給出了一種黎曼空間不相似度，并提出了一種基于 黎曼度量的自適應多策略融合規則。該方法適用范圍廣，對多聚焦圖像、遙感圖像、醫學圖 像、紅外與可見光圖像均有很好的效果，并且具有魯棒性強的優點。
[0019] 下面結合附圖對本發明作進一步詳細描述。
【附圖說明】
[0020] 圖1是本發明基于黎曼度量的自適應多策略圖像融合方法的流程圖。
[0021] 圖2 (a)是本發明方法右聚焦圖像。
[0022] 圖2 (b)是本發明方法左聚焦圖像。
[0023] 圖2 (c)是基于加權平均的多聚焦圖像融合結果圖。
[0024] 圖2 (d)是基于PCA的多聚焦圖像融合結果圖。
[0025] 圖2 (e)是基于梯度金字塔變換的多聚焦圖像融合結果圖。
[0026] 圖2 (f)是基于FSDP的多聚焦圖像融合結果圖。
[0027] 圖2 (g)是基于PCNN的多聚焦圖像融合結果圖。
[0028] 圖2 (h)是基于Shearlet變換和PCNN的多聚焦圖像融合結果圖。
[0029] 圖2 (i)是基于本發明方法的利用仿射不變度量（AI)的多聚焦圖像融合結果 圖。
[0030] 圖2 (j)是基于本發明方法的利用Log-Euclidean度量（LE)的多聚焦圖像融合 結果圖。
[0031] 圖3 (a)是本發明方法NMR圖像。
[0032] 圖3 (b)是本發明方法CT圖像。
[0033] 圖3 (c)是基于加權平均的醫學圖像融合結果圖。
[0034] 圖3 (d)是基于PCA的醫學圖像融合結果圖。
[0035] 圖3 (e)是基于梯度金字塔變換的醫學圖像融合結果圖。
[0036] 圖3 (f)是基于FSDP的醫學圖像融合結果圖。
[0037] 圖3 (g)是基于PCNN的醫學圖像融合結果圖。
[0038] 圖3 (h)是基于Shearlet變換和PCNN的醫學圖像融合結果圖。
[0039] 圖3 (i)是基于本發明方法的利用AI度量的醫學圖像融合結果圖。
[0040] 圖3 (j)是基于本發明方法的利用LE度量的